ورشة مجانية 21–22.11ورشة مجانية لمدة يومين في Vibecoding يومي 21–22 نوفمبر الساعة 16:00 بتوقيت موسكو · الدفعة 3 تبدأ 23.11سجّل مجاناً ←الدفعة 3 (23.11)
إصدارتحليل · على الرادارHabr AI→ المصدر

زيادة تدفق PR بنسبة 21% في نموذج تقدّم تضاعف زمن انتظار المراجعة أربع مرات: من 2 إلى 8 ساعات

تسرّع مساعدات AI مثل Copilot كتابة الكود، لكن المراجعة والاختبارات والإصدار تعمل بالوتيرة السابقة. في نموذج طوابير مبسّط، تؤدي زيادة التدفق من 14 إلى 17 pull request يوميًا (بنسبة 21%) إلى ارتفاع زمن اجتياز المراجعة من 2 إلى 8 ساعات. يُكتب الكود في ساعتين، ثم ينتظر التغيير أيامًا حتى يُفحص. لذلك قيسوا الحمل على المراجعة وعلى QA، ولا تكتفوا بسرعة كتابة الكود.

معالج بواسطة الذكاء الاصطناعي من Habr AI؛ بتحرير Hamidun News
زيادة تدفق PR بنسبة 21% في نموذج تقدّم تضاعف زمن انتظار المراجعة أربع مرات: من 2 إلى 8 ساعات
المصدر: Habr AI. كولاج: Hamidun News.
استمع للمقال
بطاقة الحقائق والأرقام
المعيارالتفاصيل
المصدر الأصليHabr AI ↗
رئيس التحرير
حمل 94% (17 PR يوميًا)تستغرق المراجعة 8 ساعات، أما عند 78% فتستغرق ساعتين
METRالمطورون ذوو الخبرة أنجزوا المهام مع AI في وقت أطول بنسبة 19%
DORA 2024زيادة اعتماد AI بنسبة 25% ارتبطت بانخفاض استقرار التسليم بنسبة 7,2%

يكتب المطوّر الذي يستخدم Copilot أو Cursor دالة برمجية في ساعتين بدلًا من ثماني ساعات، ثم يفتح pull request (PR، أي طلب دمج الكود)... وينتظر. المراجع مشغول، والاختبارات تقف في الطابور، ونافذة الإصدار لن تتوفر قبل يوم الخميس. صار الكود أرخص، لكن وصوله إلى المستخدم لم يصبح أسرع. على نموذج طوابير مبسّط، يبيّن كاتب تحليل على Habr حجم المشكلة: إذا ارتفع تدفق PR اليومي من 14 إلى 17، أي بنسبة 21%، فإن متوسط زمن اجتياز مرحلة المراجعة يزداد من 2 إلى 8 ساعات، أي أربعة أضعاف. والخلاصة لكم واحدة: إذا اعتمدتم أدوات AI ونظرتم فقط إلى سرعة كتابة الكود، فقد تسرّعون الجزء الخطأ من المنظومة.

هل يسرّع AI التطوير فعلًا

البيانات غير حاسمة. في تجربة مضبوطة أجرتها GitHub وMicrosoft عام 2023، كتبت المجموعة التي استخدمت Copilot خادم HTTP بلغة JavaScript أسرع من المجموعة الضابطة بنسبة 55,8% في المتوسط. لكن التجربة شارك فيها 95 مطورًا من Upwork، وأكمل المهمة 35 منهم فقط، وكانت المهمة تُنفَّذ من الصفر.

في عام 2025 اختارت METR 16 مطورًا من ذوي الخبرة في مشاريع المصدر المفتوح، و246 مهمة حقيقية في مشاريع يعرفونها جيدًا. ومع السماح باستخدام AI، استغرقت المهام وقتًا أطول بنسبة 19% في المتوسط. وكان المشاركون يتوقعون قبل التجربة أن يتسارع عملهم، وظلوا بعدها يعتقدون أن AI ساعدهم. وفي فبراير 2026 أجرت METR دراسة متابعة على عينة أكبر. أشارت الدراسة إلى تسريع محتمل، لكن بعض المطورين رفضوا تنفيذ مهام دون AI، ولم يتمكن الباحثون من تقدير الأثر بشكل موثوق. وقد أعادوا تصميم التجربة.

يكفي للاستنتاجات التالية افتراض محدود: إذا خفّض AI كلفة جزء من التغييرات، فإن الحمل داخل المؤسسة الهندسية يُعاد توزيعه.

الاختناق ينتقل، والطابور ينمو بقفزة

لنأخذ فريقًا من عشرة أشخاص: يُنجز كل منهم نحو PR اثنين في الأسبوع، أي نحو 20 في المجموع. وعلى هذا التدفق ضُبطت المراجعة وQA والإصدارات. يضاعف AI الإنتاج إلى 40 PR. يطول طابور المراجعة، فتضيف الشركة مراجعة آلية. عندها يصطدم التدفق بـQA، فتُؤتمت هذه المرحلة أيضًا، وتبدأ التغييرات بانتظار نافذة الإصدار. الاختناق لا يختفي، بل ينتقل إلى الموضع الذي تنقص فيه الطاقة.

تظهر اللاخطية في نموذج M/M/1: قناة مراجعة واحدة، وتدفق عشوائي للمهام، وحد أقصى قدره 18 PR يوميًا. يُحسب متوسط الزمن في المرحلة بالصيغة W = 1 / (μ − λ)، حيث λ هو عدد المهام الواردة، وμ هو عدد المهام المعالَجة. القيم نموذجية وليست مقيسة:

  • 9 PR يوميًا، حمل 50%: 53 دقيقة؛
  • 12 PR، 67%: ساعة و20 دقيقة؛
  • 14 PR، 78%: ساعتان؛
  • 16 PR، 89%: 4 ساعات؛
  • 17 PR، 94%: 8 ساعات.

الفريق الحقيقي أكثر تعقيدًا: فهناك عدة مراجعين، ومهام متفاوتة، وأولويات، وفحوص متكررة. وللتنبؤ نحتاج إلى بيانات فعلية ونموذج متعدد القنوات. لكن الخلاصة النوعية تبقى: المرحلة التي تعمل عند حدها الأقصى تتباطأ بحدة مع أي زيادة في الحمل. لذلك قد ينتظر تغيير كُتب في ساعتين عدة أيام حتى تتم مراجعته واختباره. ارتفعت السرعة الفردية، لكن Lead Time (الزمن من الفكرة إلى production) في المؤسسة بقي كما هو.

تتفق تقارير DORA مع هذه الصورة. ففي عام 2024 ارتبطت زيادة اعتماد AI بنسبة 25% بانخفاض تقديري في معدل إنتاجية التسليم بنسبة 1,5% وفي استقرار التسليم بنسبة 7,2%. وفي عام 2025 صارت العلاقة مع الإنتاجية إيجابية، بينما بقيت مشكلات الاستقرار. هذا ارتباط، وهو لا يثبت السببية. لكن الخلاصة عملية: AI يضخّم ما هو موجود أصلًا. الفرق ذات التغييرات الصغيرة والتغذية الراجعة السريعة ستتسارع، أما الفرق ذات الطوابير الطويلة والموافقات اليدوية فستشعر بالمشكلات بدرجة أشد.

ما الذي يجب تغييره: فحوص بحسب المخاطر ورقابة مستقلة

يقترح الكاتب إعادة النظر في معمارية التسليم، لا الاكتفاء بأتمتة كل مرحلة. حاليًا يمر تصحيح نص رسالة الخطأ وخوارزمية جديدة لحساب العمولة عبر pipeline واحد. أما في نموذج Risk-Adaptive Delivery فيسري حد أدنى إلزامي على جميع التغييرات، وتعتمد الفحوص الإضافية على ما يمسّه التغيير. يكفي للوثائق فحص التنسيق والروابط. وتحتاج مخططات قواعد البيانات إلى migrations وتوافق رجعي، وتحتاج المصادقة والتفويض إلى security review، وتحتاج الحسابات المالية إلى تحقق مستقل من الثوابت (invariants) التجارية.

لهذا النهج فخّان. الأول أن مصنّف المخاطر قد يخطئ: فقد صُنّف تعديل على أنه «وثائق آمنة» بينما مسّ ملف إعدادات قابلًا للتنفيذ، فمرّ عبر pipeline المخفّف. لذلك يحتاج المصنّف إلى فحوص ومراقبة خاصة به، وإلى سلوك متحفظ عند عدم اليقين. والثاني أن إجابة نموذج اللغة ليست دليلًا على الصحة، ولذلك يجب أن تُحدَّد القيود الحرجة بسياسات رسمية.

ومع وكلاء AI تظهر مشكلة الثقة. فإذا كتب وكيل واحد الكود والاختبارات وفسّر النتائج، فقد يكيّف المعايير لتناسب تنفيذه، ومن دون سوء نية: فهو أساء فهم المتطلب وكتب اختبارات تؤكد الخطأ. ولا يحل المشكلةَ AI ثانٍ في دور المدقق إذا كان لدى الاثنين المواصفات الناقصة نفسها. المطلوب معايير قبول مثبّتة مسبقًا، وثوابت تجارية، وفحوص حتمية، وإنسان للتغييرات الحرجة. ويجب ألا يغيّر المنفّذ سياسات الأمان، وأن يجري التشغيل في sandbox بأقل الصلاحيات وبـcredentials مؤقتة.

أخيرًا، المال. تتكوّن الكلفة الكاملة للتغيير من التنفيذ والتحقق والتسليم والكلفة المتوقعة للأعطال وإعادة العمل. ومراجعة AI والاختبارات عبر الوكلاء والبيئات المعزولة تكلّف بدورها tokens وموارد حوسبة. الفحص الرخيص الذي يفوّت خطأً حرجًا يكلّف أكثر من الفحص الدقيق، أما مجموعة كاملة من الفحوص المكلفة لكل تعديل صغير فلا تخفّض المخاطر بما يتناسب مع كلفتها.

ما العمل عمليًا: قيسوا الحمل على المراجعة وعلى QA، لا سرعة كتابة الكود وحدها. احتفظوا باحتياطي من الطاقة ولا تعملوا عند حمل 90%. فكّروا في التراجع: يمكن التراجع عن الكود، لكن البيانات المعدّلة والمعاملات الخارجية لا يمكن دائمًا. ويرى الكاتب أن الاختناق التالي سيكون فهم تبعات التغيير في نظام مؤلف من خدمات كثيرة، ويقترح لذلك نموذجًا للنظام مقروءًا آليًا. وهذه فرضية هندسية من عنده، وليست حقيقة مثبتة.

القصة

أسئلة وأجوبة حول الخبر

ما أبرز التفاصيل حول هل يسرّع AI التطوير فعلًا؟

البيانات غير حاسمة. في تجربة مضبوطة أجرتها GitHub وMicrosoft عام 2023، كتبت المجموعة التي استخدمت Copilot خادم HTTP بلغة JavaScript أسرع من المجموعة الضابطة بنسبة 55,8% في المتوسط. لكن التجربة شارك فيها 95 مطورًا من Upwork، وأكمل المهمة 35 منهم فقط، وكانت المهمة تُنفَّذ من الصفر. في عام 2025 اختارت METR 16 مطورًا من ذوي الخبرة في مشاريع المصدر المفتوح، و246 مهمة حقيقية في مشاريع يعرفونها جيدًا. ومع السماح باستخدام AI، استغرقت المهام وقتًا أطول بنسبة 19% في المتوسط.

ما أبرز التفاصيل حول الاختناق ينتقل، والطابور ينمو بقفزة؟

لنأخذ فريقًا من عشرة أشخاص: يُنجز كل منهم نحو PR اثنين في الأسبوع، أي نحو 20 في المجموع. وعلى هذا التدفق ضُبطت المراجعة وQA والإصدارات. يضاعف AI الإنتاج إلى 40 PR. يطول طابور المراجعة، فتضيف الشركة مراجعة آلية. عندها يصطدم التدفق بـQA، فتُؤتمت هذه المرحلة أيضًا، وتبدأ التغييرات بانتظار نافذة الإصدار. الاختناق لا يختفي، بل ينتقل إلى الموضع الذي تنقص فيه الطاقة. تظهر اللاخطية في نموذج M/M/1: قناة مراجعة واحدة، وتدفق عشوائي للمهام، وحد أقصى قدره 18 PR يوميًا.

ما أبرز التفاصيل حول ما الذي يجب تغييره: فحوص بحسب المخاطر ورقابة مستقلة؟

يقترح الكاتب إعادة النظر في معمارية التسليم، لا الاكتفاء بأتمتة كل مرحلة. حاليًا يمر تصحيح نص رسالة الخطأ وخوارزمية جديدة لحساب العمولة عبر pipeline واحد. أما في نموذج Risk-Adaptive Delivery فيسري حد أدنى إلزامي على جميع التغييرات، وتعتمد الفحوص الإضافية على ما يمسّه التغيير. يكفي للوثائق فحص التنسيق والروابط. وتحتاج مخططات قواعد البيانات إلى migrations وتوافق رجعي، وتحتاج المصادقة والتفويض إلى security review، وتحتاج الحسابات المالية إلى تحقق مستقل من الثوابت (invariants) التجارية. لهذا النهج فخّان.

ZK
جمال حميدون — مدير المنتجات في Alpina Digital ومدير منتج AlpinaGPT. يبني منتجات الذكاء الاصطناعي منذ 2019. بدأ Hamidun News كمشروع شخصي ثم أصبح مُجمِّعًا إنتاجيًا بأكثر من 6000 قارئ.
✦ Hands-On AI Engineering · Hamidun Academy

Build & Ship Production AI Agents Without Boilerplate Code

Start your free 72-hour trial at Hamidun Academy (academy.hamidun.com) — interactive lessons on Claude Code & Cursor, live Tech Radar, and production agent templates.

Start 72h Free Trial →Vibe-Coding Intensive
ما رأيك؟
جارٍ تحميل التعليقات…